기술적 요약: CAUSALGUARD

문제 제기

관측 데이터로부터 개별화된 치료 효과 (조건부 평균 치료 효과, CATE) 를 추정하려면 교란을 차단하기 위한 유효한 조정 집합을 선택해야 합니다. 이 선택은 근본적인 인과 방향 비순환 그래프 (DAG) 에 의존하며, 이는 실제 상황에서 거의 알려져 있지 않습니다.

• 그래프 오명세: 단일하고 잠재적으로 잘못된 그래프에 의존하면 무효한 조정 집합 (예: 교란 변수 누락 또는 콜라이더 조정) 을 초래하여 식별성을 파괴하거나 편향을 유발할 수 있습니다.
• 현재 컨포멀 방법의 한계: 컨포멀 추론은 유한 표본, 분포 무관한 커버리지 보장을 제공하지만, 표준적인 "그래프 무관" 래퍼는 근본적인 조정 집합이 무효일 경우 인과 추정량에 대한 유효한 커버리지를 제공하지 못하는 경우가 많습니다. 또한, 보정 후 여러 그래프에서 구간을 평균화하는 것은 젠슨 간극 (Jensen gap) 을 도입하여 명목상 커버리지를 회복하기 위해 불필요하게 넓은 구간 (큰 패딩) 을 초래합니다.

방법론: CAUSALGUARD

저자들은 그래프 불확실성을 사후 오차 원인으로 취급하는 대신 컨포멀 보정 과정에 직접 통합하는 구조 가중 컨포멀 프레임워크인 CAUSALGUARD를 제안합니다. 파이프라인은 네 단계로 진행됩니다:

1. 확률적 구조 사전 정보 도출

고정된 그래프를 가정하는 대신, 이 방법은 후보 DAG 에 대한 제안 분포를 구성합니다:

• LLM 기반 사전 정보: 사전 훈련된 자기회귀 언어 모델을 쿼리하여 도메인 설명에 기반한 엣지 확률 ($P_{prior}(u \to v)$) 을 추정합니다. 이는 보장된 진실의 원천이 아닌 제안 메커니즘으로 작용합니다.
• DAG 샘플링: 무순환성을 보장하기 위해 시간적 메타데이터 (예: 치료가 결과에 선행함) 를 준수하면서 이 사전 분포에서 후보 DAG 를 샘플링합니다.

2. 통계적 가지치기 및 베이지안 가중치 부여

• 조건부 독립 (CI) 가지치기: Fisher 의 $z$-검정을 사용하여 훈련 데이터 ($D_{train}$) 에서 샘플링된 그래프의 허위 엣지를 가지치기합니다.
• BIC 재가중치: 남은 후보 그래프는 구조적 사전 정보와 결합된 베이지안 정보 기준 (BIC) 을 사용하여 점수를 매깁니다. 중복된 조정 전략은 축소되고, 가중치 ($w_k$) 는 정규화되어 고유한 조정 집합에 대한 사후 분포를 형성합니다.

3. 그래프 조건부 이중 강건 추정

각 후보 그래프 $G_k$(및 이에 내포된 조정 집합 $Z_k$) 에 대해:

• ** nuisance 추정:** 훈련 데이터 $D_{train}$에 이중 강건 nuisance 모델 (성향 점수와 결과 회귀) 을 적합시킵니다.
• 의사 결과 생성: 증강 역확률 가중치 (AIPW) 의사 결과 ($\tilde{Y}^{(k)}$) 와 휴리스틱 경계를 계산합니다.

4. 구조 가중 컨포멀 보정

이것이 핵심 혁신입니다. 개별 그래프를 보정하고 결과를 평균화하는 대신, CAUSALGUARD 는 다음과 같이 수행합니다:

• 먼저 집계: BMA 가중치를 사용하여 그래프 조건부 추정치를 결합함으로써 사후 가중 의사 결과 ($\bar{\gamma}$) 와 집계된 경계를 계산합니다.
• 복합 점수: 이 집계된 대상에 단일 비동일성 점수를 정의합니다: $E_i = \max(\bar{q}_{low} - \bar{\gamma}_i, \bar{\gamma}_i - \bar{q}_{high})$.
• 보정: 컨포멀 임계값 $\hat{Q}$는 보정 세트 ($D_{cal}$) 에서 이러한 복합 점수의 분포에서 유도됩니다.
• 최종 구간: 출력 구간은 $\hat{C}(x) = [\bar{q}_{low}(x) - \hat{Q}, \bar{q}_{high}(x) + \hat{Q}]$입니다.

주요 기여

1. 구조 가중 컨포멀 추론: 사후 가중 복합 점수를 통해 그래프 조건부 이중 강건 의사 결과를 집계하는 새로운 프레임워크로, 구조적 불확실성을 보정 단계로 직접 전달합니다.
2. 집계 후 보정 점수화: 그래프별 구간을 평균화하는 데 내재된 젠슨 간극을 피하기 위해 집계된 대상을 직접 보정함으로써 동일한 커버리지 보장 하에 더 좁은 구간을 산출한다는 이론적 증명 (명제 1).
3. 그래프 앙상블 구성: LLM 기반 엣지 제안, CI 기반 가지치기, BIC 재가중치를 결합한 실용적 절차. LLM 사전 정보는 유한 표본 제안 분포로 작용하는 반면, 데이터 가능도 (BIC 를 통해) 는 표본 크기가 증가함에 따라 지배적이 됩니다.
4. 이론적 보장:
   • 유한 표본 유효성: 정렬성 하에서 집계된 의사 결과 ($\bar{\gamma}$) 에 대한 분포 무관한 주변 커버리지를 확립하는 정리 1 (어떤 후보 그래프가 정확하다고 가정하지 않음).
   • 점근적 일관성: 인과 식별, 중첩, nuisance 안정성, 유효 전략에 대한 점수 집중 하에 집계된 대상의 조건부 평균이 실제 CATE 로 수렴함을 보여주는 코롤러리 2.

실증 결과

이 방법은 5 개의 벤치마크 (IHDP, Sachs, ACIC2019, Jobs, Twins) 에서 각 데이터셋당 10 개의 무작위 시드로 평가되었습니다.

• 커버리지: CAUSALGUARD 는 직접 평가 가능한 대상 (IHDP/Twins 의 실제 CATE; 기타 데이터셋의 가중 의사 결과) 에 대해 명목상 90% 수준 이상의 평균 커버리지를 일관되게 달성했습니다.
• 효율성: 이 방법은 그래프 무관 컨포멀 기준 (예: 컨포멀 인과 포레스트, 컨포멀 단순 DR) 에 비해 구간 폭을 크게 줄였으며, 특히 조정 집합 불확실성이 비효율성을 주도하는 데이터셋 (예: IHDP 및 Jobs) 에서 두드러졌습니다.
• 무효 조정에 대한 강건성: 콜라이더 변수를 주입하는 스트레스 테스트에서 CAUSALGUARD 는 시간적 메타데이터와 CI 가지치기를 통해 무효 콜라이더 조정을 성공적으로 억제하여 높은 커버리지와 낮은 RMSE 를 유지한 반면, 단순 기준은 심각한 커버리지 부족을 겪었습니다.
• 사전 정보 민감도: 데이터가 적은 영역에서는 LLM 사전 정보가 검색을 조직화하는 데 도움이 됩니다. 그러나 표본 크기가 증가함에 따라 BIC 가중치가 사전 정보를 "희석"시켜 최종 구간이 점점 데이터 주도적이 됩니다. 데이터가 유익할 때 적대적이거나 정보 없는 사전 정보 하에서도 이 방법은 안정적으로 유지됩니다.

중요성 및 주장

이 논문은 유효한 인과 조정의 필요성과 근본적인 그래프 구조의 불확실성 사이의 긴장 관계에 대한 해결책으로 CAUSALGUARD 를 위치시킵니다.

• 패러다임 전환: "가장 좋은 그래프 하나를 선택"하거나 "최악의 경우 불확실성을 위해 패딩"하는 방식에서 벗어나, 조정 집합을 불확실한 것으로 간주하고 구간 구성을 통해 이러한 불확실성을 전파합니다.
• 실용적 유용성: 이 방법은 구간 팽창이 회복 불가능한 결과 노이즈가 아닌 조정 선택의 불확실성으로 인해 발생할 때 가장 효과적입니다. 유한 표본 검색을 위해 의미론적 사전 정보 (LLM) 를 활용하면서도 데이터 주도적 재가중치를 통해 점근적 유효성을 보장하는 방법을 제공합니다.
• 한계: 저자들은 이 방법이 인과 충분성을 가정하며, 후보 생성의 조합적 특성으로 인해 현재 중간 크기의 그래프까지 확장 가능하다고 지적합니다. 이는 집계된 의사 결과에 대한 커버리지를 보장하며, 실제 CATE 로의 수렴은 대상 정렬 및 nuisance 안정성과 관련된 추가 가정에 의존합니다.

요약하자면, CAUSALGUARD 는 그래프 불확실성 하에서 치료 효과 추정을 위한 분포 무관, 유한 표본 유효한 접근법을 제공하며, 보정된 구간을 평균화하는 대신 구조 가중 대상을 보정함으로써 그래프 무관 방법보다 더 좁은 구간을 달성합니다.